AI 人才：為什麼年薪千萬還找不到人
真正稀缺的那批人，需要具備的能力包括：扎實的數學底子（線性代數、機率統計、優化理論）、對深度學習架構的理解、大規模分散式訓練的實作經驗、資料處理與清洗的工程能力，以及最重要的——在沒有標準答案的情況下，自己定義問題、設計實驗、迭代改進的研究品味。這種能力很難在學校裡教出來，多半要在頂級實驗室或產業前線磨個三到五年才會成形。
2.2 人才池為什麼這麼小
有幾個原因讓這個池子一直大不起來。第一，AI 研究的進入門檻這幾年不降反升。以前一張 GPU 就能跑實驗，現在訓練一個有競爭力的模型，動輒需要上千張 H100，這種資源只有少數機構負擔得起。第二，頂級會議的錄取率越來越低，年輕研究者要在學術界冒出頭越來越難。第三，產業界的薪資誘因太強，很多潛力新星還沒讀完博士就被挖走，導致學術界的人才供給鏈也跟著緊縮。
再加上 AI 技術迭代極快，今天紅的技術棧，兩年後可能就被淘汰。企業想要「即戰力」，但即戰力的定義本身也在不斷變動，這讓人才培養的投資報酬率變得很難估算，進一步抑制了供給的成長。
2.3 全球搶才大戰
這場搶人大戰有幾個明顯特徵。第一是「整團挖角」，不只是挖一個人，而是把整個研究團隊連人帶專案一起搬走。第二是「溢價搶人」，同一份履歷在 AI 熱潮前後，價格可能差了三到五倍。第三是「地域界線模糊化」，遠端工作讓矽谷的公司可以直接雇用台灣、印度、東歐的工程師，人才市場正式變成全球競技場。
對台灣企業來說，這代表你不再只是跟本地同業競爭，而是跟 Google、Meta、OpenAI 搶同一個人。當對方開出的是全球級薪資、全球級算力、全球級研究自由，你憑什麼要他留下來？這是很多企業主還沒意識到的殘酷現實。
三、企業端的六大盲點：有錢也請不到人的原因
講完市場結構，來談談企業自己。很多公司抱怨找不到人，但問題往往不是出在預算，而是出在流程、認知與組織設計。以下六個盲點，是我們在論壇上最常看到、也最致命的。
3.1 職缺描述與實際需求錯位
打開人力銀行，你會看到一堆「AI 工程師」職缺，內容寫著「熟悉 Python、機器學習、深度學習、NLP、CV、LLM、MLOps」，好像什麼都要會。這種「許願池式」的 JD，對頂尖人才來說是負面訊號：它代表這家公司還沒想清楚自己要什麼，進去之後大概率什麼都要做、什麼都做不深。
真正的高手看職缺，看的是「這個位置要解決什麼問題」「團隊裡有誰」「用什麼技術棧」「資料和算力規模多大」。你把這些寫清楚，比堆疊關鍵字有用一百倍。
3.2 面試流程太慢、太繁瑣
這是台灣企業最常見的致命傷。一份履歷進來，HR 篩一週、用人主管看一週、一面排兩週、二面再排兩週、核薪又兩週，整個流程走完一個半月。但頂尖 AI 人才手上通常同時有三到五個 offer，人家兩週就決定去哪了，你還在跑簽核流程。
更別提有些公司還有五關面試、白板題、回家作業、背景調查。流程本身不是問題，問題是「節奏」。如果一個候選人很搶手，你的流程就必須跟著加速，否則你不是在選人，是在幫競爭對手篩人。
3.3 用人主管不懂 AI
這是很尷尬但很真實的狀況。很多傳統產業或非技術背景的主管，被指派去帶 AI 團隊，結果面試時問不出關鍵問題，只能問「你會不會用 ChatGPT」「你覺得 AI 會不會取代人類」。候選人一聽就知道這個主管不懂，進去之後大概也得不到技術上的支持，自然興趣缺缺。
反過來說，如果面試官本身是技術出身、問得出有水準的問題，候選人的體驗會完全不同。這也是為什麼很多公司會安排「技術共同面試官」，讓真正的資深工程師參與面試決策。
3.4 只想要即戰力，不願意培養
「我們要能馬上上手、獨當一面的人。」這句話聽起來很合理，但在 AI 領域幾乎是緣木求魚。因為頂尖人才本來就稀缺，你想要的「即戰力」，別人也想要，價格自然被推到天上去。而且 AI 技術變化太快，今天即戰力，兩年後可能就要重新學。
比較務實的做法是「混合編隊」：找一兩個有經驗的資深研究者當核心，搭配有潛力的年輕工程師，用專案帶著成長。這樣雖然前期慢一點，但人才會留下來，團隊也會形成自己的技術沉澱，長期來看反而更划算。
3.5 品牌與研究資源不足
對研究型人才來說，公司的「技術品牌」很重要。你發不發表論文？有沒有開源專案？參不參與國際社群？這些都直接影響他的職涯履歷。如果一家公司只把 AI 當成「成本中心」，要求工程師不能發表、不能對外分享、不能參加研討會，那對想累積學術聲望的人來說，吸引力會大打折扣。
算力也是關鍵。現在做研究，沒有足夠的 GPU 資源，等於叫廚師沒有廚房。很多候選人面試時會直接問「你們有多少張 A100/H100」「訓練叢集多大」，這不是勢利，而是務實——沒有資源，再強的人也做不出成果。
3.6 組織文化與制度僵化
最後一個盲點是文化。AI 團隊需要快速試錯、扁平溝通、容許失敗，但很多傳統組織的運作邏輯是層層簽核、KPI 導向、不容出錯。這種環境下，有想法的人會很痛苦，因為他每做一個實驗都要寫簽呈，每次失敗都要寫檢討報告。
人才留不住，往往不是因為錢，而是因為「在這裡做事很卡」。這一點在年薪千萬的討論裡經常被忽略，但其實是決定性的因素。
四、AI 人才真正在意的事：除了錢，還要什麼
如果你以為年薪千萬就能打動所有人，那你就錯了。真正到那個層級的人，錢通常已經不是第一順位，他們在意的是更抽象、但更關鍵的東西。
4.1 算力與資料：研究者的氧氣
對 AI 研究者來說，算力和資料就像氧氣。沒有足夠的 GPU，你連 baseline 都跑不動；沒有乾淨、有價值的資料，你訓練出來的模型就是垃圾。很多候選人在面試時，會仔細問「資料從哪裡來」「有沒有標註團隊」「資料治理怎麼做」，這些問題背後的潜台詞是：你們是不是真的有在做這件事，還是只是喊口號。
曾經聽過一個案例：某公司開出高薪挖角一位資深研究者，對方什麼都談好了，最後卻因為發現公司只有八張 GPU 而放棄。八張 GPU，對一個要做 LLM 的團隊來說，連玩具都算不上。這就是現實。
4.2 影響力與職涯天花板
頂尖人才通常有很強的「自我實現」需求。他們想知道：我做的東西會不會被使用？會不會影響產業？我的職涯天花板在哪裡？如果一家公司能給的是「維護內部系統」「做做報表自動化」，那再高的薪水也很難留住想做前沿研究的人。
相反地，如果公司能提供「你的模型會服務幾百萬用戶」「你的論文會被國際社群引用」「你有機會主導一個新產品線」，這種影響力的吸引力，往往比多兩百萬年薪更強。
4.3 團隊與同儕品質
「我進公司不是為了跟一群人開會，是為了跟最強的人一起做事。」這句話道盡了很多研究者的心聲。同儕的品質，直接決定了一個人成長的速度與工作的樂趣。如果團隊裡都是「養老型」工程師，或者主管只會蓋章，那這個環境對有企圖心的人來說就是毒藥。
這也是為什麼很多公司會主打「團隊裡有某某大神」「我們跟某實驗室有合作」。這不是炫耀，而是在傳遞一個訊號：來這裡，你不會孤軍奮戰。
4.4 彈性與自主權
AI 研究有很大的不確定性，很多突破來自於「不按牌理出牌」的探索。如果公司要求每天早上九點打卡、每週寫進度報告、每個實驗都要事先申請，那創意很快就會被磨光。頂尖人才要的是「方向對，過程我來」，是對研究節奏的尊重與信任。
當然，這不代表公司要完全放任，而是要設計一種「有護欄的自由」：給清楚的目标與資源，但在執行方法上保留彈性。這種平衡很難拿捏，但拿捏得好的公司，往往能留住最難留的人。
五、台灣與華人市場的特別困境
談完通則，回到我們自己。台灣在 AI 人才競爭上，有幾個結構性的挑戰，這些不是單一企業能解決的，但理解它們，有助於我們看清局勢。
5.1 市場規模與資本深度
坦白說，台灣的資本市場深度跟矽谷不是同一個量級。一家台灣公司能開出的薪資上限，往往受制於整體的獲利結構與股東期待。當 OpenAI 可以用「未來估值」來發股票，台灣多數企業只能用「今年 EPS」來算獎金，這在搶人大戰裡是先天劣勢。
這不代表台灣沒機會，而是我們必須用「不同的誘因」來競爭。例如：更穩定的工作環境、更貼近硬體供應鏈的獨特優勢、更低的稅負與生活成本、更好的工作生活平衡。硬碰硬拼錢，大概率拼不贏，但拼「綜合性價比」，台灣其實有籌碼。
5.2 產業結構偏硬體
台灣的強項在半導體、IC 設計、伺服器代工，這些都是 AI 時代的關鍵基礎設施。但問題是，硬體思維跟軟體／AI 思維差異很大。硬體講究良率、成本、時程；AI 講究迭代、實驗、不確定性。很多台灣企業想轉型做 AI，卻用管理工廠的方式管理研究團隊，結果就是水土不服。
不過反過來說，台灣在「AI 基礎設施」這塊其實有極大優勢。散熱、電源、載板、伺服器組裝、邊緣運算裝置，這些都是 AI 時代的硬需求。如果能把硬體優勢跟 AI 軟體能力結合，例如發展邊緣 AI、AI 加速器、智慧製造，台灣其實有機會走出自己的路。
5.3 教育與人才培育斷層
台灣的大學在資訊工程、電機領域的訓練其實不差，但在「前沿 AI 研究」這一塊，資源相對有限。頂尖實驗室少、GPU 資源少、國際合作機會少，導致很多有潛力的學生選擇出國，或是畢業後直接進外商。這形成一種循環：人才往外流，本地研究能量起不來，就更難吸引人才留下。
要打破這個循環，需要產官學一起投入。企業可以提供實習、贊助研究、與學校合開課程；政府可以放寬簽證、提供研發補助；學校則要調整課程，讓學生更早接觸實作。這些都是老生常談，但真正落實的單位不多。
六、破局之道：企業該怎麼做
抱怨市場沒用，重點是企業能改變什麼。以下幾點，是從實務經驗中歸納出來、相對可操作的方向。
6.1 重新定義職缺與人才畫像
第一步，把「許願池 JD」改成「問題導向 JD」。不要寫「需要熟悉 NLP、CV、MLOps」，而是寫「我們要用 AI 改善客服回應品質，目標是把客戶滿意度提升 X%，你會負責模型選型、訓練、部署與監控」。前者是關鍵字堆疊，後者是具體任務，後者對人才的吸引力大得多。
第二步，區分「研究型」與「應用型」職缺。研究型的人要的是探索空間與學術聲望，應用型的人要的是落地場景與產品影響力。你把兩種人放在同一個 JD 裡，兩邊都找不到人。
6.2 建立內部培養體系
與其花大錢搶那 0.1% 的人，不如自己培養。具體做法包括：設立內部的 AI 學院或學習津貼、鼓勵工程師參與開源專案、提供論文閱讀與實作時間、建立導師制度。這些投資短期看不到回報，但三年後你會有一批「懂公司業務又懂 AI」的人，這種人市場上根本買不到。
另外，也可以考慮「跨界培養」：讓有領域知識的工程師（例如懂金融、懂醫療、懂製造）去學 AI，他們的價值往往比純 AI 背景的人更高，因為他們能定義出真正有商業價值的問題。
6.3 用「非金錢報酬」競爭
既然拼錢拼不贏，就要拼別的。例如：提供業界頂尖的算力資源、允許一定比例的工時做自由研究、支持參加國際研討會與發表論文、給予技術職的獨立升遷管道（不用轉管理職也能升到資深研究員）、彈性工時與遠端工作。這些對研究型人才的吸引力，往往比多一百萬年薪更實際。
還有一個常被忽略的誘因：資料。如果你公司有獨特、乾淨、規模大的資料（例如醫療影像、金融交易、製造感測器數據），這對研究者來說是無價之寶。很多突破性的研究，靠的就是別人拿不到的資料。
6.4 加速面試與決策流程
把面試流程壓縮到兩週以內，是基本要求。具體做法：預先排好面試官的時間、使用非同步的技術測驗、簡化簽核層級、給用人主管一定的核薪授權。如果候選人很搶手，甚至可以在面試當天就口頭 offer，事後補流程。
另外，面試體驗本身就是品牌。如果候選人感受到你們流程混亂、溝通不順、面試官沒準備，他會假設進去之後也一樣。反之，一個順暢、專業、尊重人的面試流程，會讓候選人對公司加分不少。
6.5 打造研究友善環境
這點最難，但也最關鍵。研究友善的環境包括：容許失敗的文化、開放的技術討論氛圍、與國際社群的連結、合理的研究預算、以及「技術人也能有話語權」的組織設計。很多公司口頭上說重視研發，實際上研發部門的意見永遠被業務部門壓著打，這種環境留不住真正想做研究的人。
可以參考的一個做法是「雙軌制」：設立獨立的研究院或實驗室，給予較高的自主權與預算，讓它跟產品部門保持合作但不過度干涉。Google 的 Research、微軟的 Research、Meta 的 FAIR，都是類似邏輯。
七、給求職者與轉職者的建議
講完企業端，也給想進入這個領域的人一些建議。年薪千萬很誘人，但那條路不是每個人都適合，也不是每個人都走得到。
7.1 不要只看總包
看到「年薪千萬」先別興奮，問清楚：底薪多少？股票占多少？歸屬期多長？績效獎金怎麼算？公司股價波動大不大？很多高薪 offer 的實際變現價值，遠低於表面數字。更重要的是，你要問自己：這份工作三年後能讓我學到什麼？能讓我的履歷加分嗎？如果答案是「只是去領錢」，那要小心，因為 AI 技術變化太快，三年後你可能會發現自己除了錢，什麼都沒累積到。
7.2 累積可驗證的作品
在 AI 領域，學歷重要，但作品更重要。與其去考一堆證照，不如實際做幾個專案、參加開源社群、在 Kaggle 或 Hugging Face 上留下足跡、寫技術部落格、發表論文。這些「可驗證的成果」會讓你在眾多履歷中脫穎而出，也讓面試官有具體的東西可以跟你聊。
特別是開源貢獻，這是目前 AI 圈最有效的實力證明之一。你對某個知名專案提交的 PR、你維護的模型、你寫的教學文件，都會被看見。這比你在履歷上寫「精通 PyTorch」有說服力得多。
7.3 選對賽道與團隊
AI 很大，不是每個方向都一樣熱。目前最搶手的是 LLM、多模態、強化學習、AI Agent、推論優化這幾塊；相對飽和的是傳統的 CV、資料分析。選賽道時，要看的是「未來三年的需求」而不是「現在的熱度」。
團隊也很重要。與其去大公司當螺絲釘，不如去一個小而精的團隊，能碰到核心技術、能被資深的人帶。前幾年的成長曲線，往往比第一份薪水更重要。
結語：這不是錢的問題，是整個系統的問題
回到最初的問題：為什麼年薪千萬還找不到人？答案其實很簡單，也很複雜。簡單的是，真正符合那個價格的人極少，市場上根本沒有那麼多「千萬級人才」；複雜的是，就算有，他們在意的也不只是錢，還有算力、資料、團隊、影響力、文化與自主權。
對企業來說，與其抱怨「人才都被搶光」，不如回頭檢視自己的招募流程、職缺設計、組織文化與資源配置。錢很重要，但錢只是入場券，不是萬靈丹。真正能留住頂尖人才的，是一個讓他能持續成長、持續創造影響力的環境。
對求職者來說，也別被「年薪千萬」四個字沖昏頭。看清楚包裹內容、想清楚自己要什麼、累積真正可驗證的能力，遠比追逐一個數字來得實在。AI 這波浪潮還會持續很久，機會很多，但機會是給準備好的人。
最後，歡迎大家在雅寶社區的討論區繼續聊。你身邊有沒有「開高薪卻找不到人」的案例？你覺得企業最該改的是哪一點？歡迎分享你的觀察，讓這篇討論更完整。